هرس تطبیقی اقدام: مقیاس‌بندی انتخاب شاخص برای بارهای کاری ناشناخته

فهرست لینک‌ها

خلاصه و 1. مقدمه

1. کارهای مرتبط

   2.1 رویکردهای سنتی انتخاب نمایه

   2.2 رویکردهای انتخاب نمایه مبتنی بر RL

2. مسئله انتخاب نمایه

3. روش‌شناسی

   4.1 فرمول‌بندی مسئله DRL

   4.2 یادگیری تقویتی عمیق آگاه از نمونه برای انتخاب کارآمد نمایه

4. چارچوب سیستم IA2

   5.1 فاز پیش‌پردازش

   5.2 فاز آموزش و کاربرد RL

5. آزمایش‌ها

   6.1 تنظیمات آزمایشی

   6.2 نتایج آزمایشی

   6.3 مقایسه عملکرد از ابتدا تا انتها

   6.4 بینش‌های کلیدی

6. نتیجه‌گیری و کارهای آینده، و مراجع

6.4 بینش‌های کلیدی

با خلاصه کردن آزمایش‌های گسترده ما، IA2 نشان‌دهنده پیشرفت قابل توجهی در انتخاب نمایه است و در چندین حوزه کلیدی از روش‌های موجود بهتر عمل می‌کند:

\ کارایی آموزش سریع: IA2 با سرعت آموزش بی‌نظیر خود برتری دارد و از یک مدل هزینه فرضی و مدل‌های پیش‌آموزش‌دیده برای تسهیل سازگاری و یادگیری سریع استفاده می‌کند. این کارایی به IA2 اجازه می‌دهد زمان آموزش را در مقایسه با رقبا به شکل چشمگیری کاهش دهد و آن را برای محیط‌هایی که سرعت در آن‌ها حیاتی است، بسیار مناسب می‌سازد.

\ مدل‌سازی پیشرفته بار کاری: برخلاف روش‌های ایستا یا جامع، IA2 از مدل‌سازی پویای بار کاری استفاده می‌کند که به آن امکان می‌دهد به طور یکپارچه با تغییر پرس‌وجوها و ساختارهای پایگاه داده سازگار شود. این انعطاف‌پذیری انتخاب نمایه بهینه را در سناریوهای متنوع، از جمله بارهای کاری پیش‌بینی نشده، تضمین می‌کند.

\ اکتشاف مؤثر فضای عمل: IA2 رویکردی نوآورانه برای هرس و پیمایش فضای عمل معرفی می‌کند و اقدامات معنادار را در اوایل فرآیند آموزش به طور کارآمد شناسایی می‌کند. این استراتژی با تکنیک‌های منبع‌بر SWIRL [6] یا قوانین سخت‌گیرانه Lan و همکاران [7] در تضاد است و مسیری متعادل برای بهینه‌سازی پیکربندی‌های نمایه بدون جستجوی جامع یا ساده‌سازی بیش از حد ارائه می‌دهد.

\

:::info نویسندگان:

(1) Taiyi Wang، دانشگاه کمبریج، کمبریج، بریتانیا ([e-mail])؛

(2) Eiko Yoneki، دانشگاه کمبریج، کمبریج، بریتانیا ([e-mail]).

:::

---

:::info این مقاله در arxiv موجود است تحت مجوز CC BY-NC-SA 4.0 Deed (Attribution-Noncommercial-Sharelike 4.0 International).

:::

\